步驟1：機器學習

機器學習和深度學習將屬于人工智能（AI）。機器學習將觀察和分析可用數(shù)據，并隨著時間的推移改善其結果。

示例：YouTube推薦的視頻功能。它顯示了您之前觀看過的相關視頻。該預測僅限于基于文本的結果。但是深度學習可以比這更深入。

步驟2：深度學習

深度學習與此相似，但是它可以做出更準確的決策通過收集對象的各種信息自行完成。它具有許多層次的分析，并據此做出決定。為了加快這一過程，它使用了神經網絡，并為我們提供了所需的更精確的結果（比ML更好的預測）。像人腦如何思考和做出決定。

示例：對象檢測。它檢測圖像中可用的內容。類似的東西，您可以通過外觀，大小和顏色來區(qū)分Arduino和Raspberry Pi。

這是一個廣泛的話題，并具有多種應用。

步驟3：先決條件

TensorFlow宣布正式支持Raspberry Pi，從1.9版開始，它將使用pip軟件包安裝支持Raspberry Pi。在本教程中，我們將看到如何在Raspberry Pi上安裝它。

Python 3.4（推薦）

Raspberry Pi

電源供應器

Raspbian 9（拉伸）

步驟4：更新Raspberry Pi及其軟件包

步驟1 ：更新您的Raspberry Pi及其軟件包。

sudo apt-get更新

sudo apt-get升級 》

步驟2：使用此命令測試您是否擁有最新的python版本。

python3 –-version

建議至少具有Python 3.4。

步驟3：我們需要安裝libatlas庫（ATLAS-自動調整的線性代數(shù)軟件）。因為TensorFlow使用numpy。因此，請使用以下命令進行安裝

sudo apt install libatlas-base-dev

步驟4：使用以下命令安裝TensorFlow： Pip3安裝命令。

pip3 install tensorflow

現(xiàn)在已安裝TensorFlow。

第5步：預測圖像使用Imagenet模型示例：

TensorFlow發(fā)布了一個模型來預測圖像。您需要先下載模型，然后運行它。

步驟1：運行以下命令來下載模型。您可能需要安裝git。

git clone https://github.com/tensorflow/models.git

步驟2： 導航至imagenet示例。

cd模型/教程/圖像/imagenet

專業(yè)提示：新的Raspbian Stretch，您可以手動找到“ classify_image.py”文件，然后在其上單擊“右鍵”。選擇“復制路徑”。然后將其粘貼到“ cd”之后的終端中，然后按Enter。通過這種方式，您可以更快地導航而不會出現(xiàn)任何錯誤（以防拼寫錯誤或文件名在新更新中被更改）。

我使用了“復制路徑”方法，因此它包含了確切的路徑（/home/pi）。

步驟3：使用此命令運行示例。顯示預測結果大約需要30秒。

python3 classify_image.py

步驟6：自定義圖像預測

您也可以從互聯(lián)網下載圖像，或者使用相機拍攝的圖像進行預測。為了獲得更好的效果，請使用較少的內存映像。

要使用自定義映像，請使用以下方法。我的圖片文件位于“/home/pi/Downloads/TensorImageTest1.jpg”位置。只需將其替換為您的文件位置和名稱即可。使用“復制路徑”來簡化導航。

python3 classify_image.py --image_file =/home/pi/Downloads/TensorImageTest1.jpg

您也可以嘗試其他示例。但是您需要在執(zhí)行之前安裝必要的軟件包。我們將在即將到來的教程中介紹一些有趣的TensorFlow主題。

責任編輯：wv